能力边界采用同 Model Farm 仓库提供的完整 320×320 SwinT QNN 图及原始 BERT 分词资产，图像与文本编码、融合和检测均在 X1 NPU。每次 1–8 个英文类别词或短语，每行一个，单条最多200字符，合计连同标点和特殊标记不超过128 token；不支持带冠词或完整问句。完整句式在实测中有误检，需按输入要求填写；0.35 默认阈值可调，降低阈值会增加误检。已验证猫、遥控器、狗及不存在的公交/狗目标；不承诺任意场景准确率。坐标归一化至原图，完整900候选框、文本对齐logits、词元、短语跨度和注意力输入可导出。